fr.wedoany.com Rapport : L’équipe de Google Quantum AI a appliqué l’apprentissage par renforcement au processus de correction d’erreurs quantiques, atteignant un taux d’erreur logique de 7,72 × 10⁻⁴ sur un code de surface, une avancée clé vers la construction d’un ordinateur quantique stable.

En collaboration avec Google DeepMind, l’équipe a innové en utilisant les événements de détection d’erreurs du processus de correction quantique comme signaux d’apprentissage pour l’agent d’apprentissage par renforcement, unifiant ainsi l’étalonnage du système quantique et le processus de calcul. Cela signifie que l’ordinateur quantique peut ajuster en continu ses paramètres de contrôle pendant son fonctionnement pour compenser activement les instabilités dues aux dérives environnementales. Les expériences menées sur le processeur supraconducteur Willow montrent que, guidé par un décodeur complémentaire, ce cadre améliore d’un facteur 3,5 la stabilité logique du code de surface face aux dérives injectées. Outre le code de surface, l’équipe a obtenu un taux d’erreur logique moyen de 8,19 × 10⁻³ en utilisant des codes de couleur. L’agent d’apprentissage par renforcement gère plus d’un millier de paramètres de contrôle, qui définissent la manière dont le circuit abstrait de correction d’erreurs quantiques est converti en formes d’onde analogiques contrôlant le système quantique.

Les ordinateurs quantiques sont sensibles au bruit environnemental, et la correction d’erreurs quantiques est une méthode essentielle pour relever ce défi. Bien que la correction d’erreurs quantique traditionnelle puisse transformer les perturbations analogiques en événements discrets « d’erreur » ou « sans erreur », son efficacité repose sur un contrôle analogique précis des qubits, nécessitant généralement de maintenir le taux d’erreur en dessous de 10⁻³ à 10⁻². Au lieu de se contenter de détecter les erreurs pour corriger l’état quantique, cette équipe de recherche utilise ces événements comme signaux de rétroaction, permettant à l’agent d’apprentissage par renforcement d’optimiser en continu les paramètres de contrôle, remplaçant ainsi la méthode traditionnelle qui nécessitait une pause du calcul pour un réétalonnage. Les simulations numériques montrent que la vitesse d’optimisation de ce cadre d’apprentissage par renforcement est indépendante de la taille du système, ce qui indique sa capacité à s’étendre à des codes quantiques comportant des dizaines de milliers de paramètres de contrôle, un aspect crucial pour les futurs ordinateurs quantiques à grande échelle. Les chercheurs soulignent que ce travail inaugure un nouveau paradigme d’« un ordinateur quantique qui apprend de ses erreurs sans jamais cesser de calculer », et précisent que ce cadre ne se limite pas au matériel actuel, mais s’applique directement à toute forme de qubit physique et à toute architecture de correction d’erreurs quantiques.